李妍，陳廷，廖芙蓉，楊衛(wèi)華

白內障是全球首位的致盲性眼病，白內障盲是防盲領域的重點疾病。隨著全球人口老齡化加劇，白內障的發(fā)病率將不斷增加，也是我國首位致盲原因[1-2]。白內障的診斷主要依靠裂隙燈下觀察晶狀體混濁程度結合最佳矯正視力，而唯一有效的治療手段是手術。因此，如何快速診斷白內障并設計出更完美的手術方式，如何計算植入人工晶狀體（intraocular lens，IOL）的度數(shù)，以及如何獲得更滿意的術后效果等難題，是近年來白內障領域的研究熱點和發(fā)展方向。有研究[3]提出，使用裂隙燈或彩色眼底照相圖像進行白內障的人工智能（artificial intelligence，AI）自動評估，也有研究[4]提出，并推導出了基于AI 的白內障手術前IOL 度數(shù)計算方法。但與糖尿病性視網(wǎng)膜病變、年齡相關性黃斑變性、青光眼等其他常見眼病相比，AI 在白內障領域的研究仍相對較少。本文總結分析了AI 在白內障診療中的研究進展，并提出一些展望和對策。

1 白內障診療現(xiàn)狀

1.1 白內障盲概況

白內障是全球視力受損、失明的主要原因。隨著人口老齡化加劇，因白內障而致盲的患者在2020年已達到7,050萬[5]，而這些白內障病例中有相當一部分尚未得到確診。因此，白內障不僅僅是個眼病，而且是一個非常重要的公共衛(wèi)生問題。

1.2 白內障診斷方法現(xiàn)狀與瓶頸

目前，眼科醫(yī)生主要采用裂隙燈顯微鏡對白內障進行臨床診斷，并根據(jù)已建立的臨床評分標準（如晶狀體混濁度分級系統(tǒng)III）進行分級[6]。這一過程需要依靠眼科醫(yī)生的臨床專業(yè)判斷，而發(fā)展中國家或偏遠地區(qū)的眼科醫(yī)生嚴重缺乏。此外，主觀臨床評估的結果會受到不同醫(yī)生主觀差異性的影響。總的來說，傳統(tǒng)的白內障檢測方法需要眼科醫(yī)生的專業(yè)知識，由于眼科醫(yī)生數(shù)量不足，篩查的病源范圍也相當有限，是防盲治盲工作的一個瓶頸。因此，隨著白內障患病人群的不斷增加，迫切需要借助AI 技術來解決目前存在的白內障診斷能力不足，并提出白內障檢測的創(chuàng)新方法。

1.3 當前IOL度數(shù)計算的局限性

目前，白內障的主要治療方法是手術切除并植入IOL，白內障手術的預后視覺效果在很大程度上取決于IOL 的度數(shù)計算，而IOL 的計算公式目前是基于術前眼部生物測量的公式。眼部參數(shù)（如眼軸長度和角膜曲率）是確定IOL 度數(shù)計算公式適用性的重要因素[7-8]。然而，現(xiàn)有公式主要適用于正常眼軸和曲率，有研究[9-10]表明，即使第4、5 代公式已經(jīng)出現(xiàn)和運用，但對于短眼軸或者長眼軸、有屈光手術史的患者，其精確性仍有待進一步評估，目前還沒有一個萬能的公式可以普遍適用于所有的白內障手術患者。

2 AI在眼科的應用進展

機器學習中的深度學習方法是目前最熱門的AI 領域，是機器學習的一個子集，它涉及到使用人工神經(jīng)網(wǎng)絡，由多層人工神經(jīng)元組成，模擬人腦的生理功能[11]，深度學習系統(tǒng)可以通過訓練自動提取和處理圖像、文本以及語音識別中的信息。近年來，AI 系統(tǒng)在醫(yī)學領域的應用顯示出了優(yōu)勢，例如檢測肺結節(jié)、肺癌、乳腺癌繼發(fā)淋巴結轉移、結腸鏡下息肉和腺瘤的實時檢測[12-13]。在擁有大量標準圖像和其他醫(yī)學數(shù)據(jù)的眼科學領域，AI 在糖尿病視網(wǎng)膜病變、年齡相關性黃斑變性、干眼和青光眼等方面顯示出了優(yōu)異的表現(xiàn)[14]。TING DSW 等[15]研究表明，基于多中心眼底圖像的深度學習系統(tǒng)檢測年齡相關性黃斑變性的靈敏度高達93.2%，STORAS AM 等[16]在最新研究報告中指出AI強大的機器學習能力可用于干眼患者圖像的細微識別、干眼診斷及嚴重程度分級。算力的快速提高促進了深度學習方法的迅速升溫[17]。由于其在海量數(shù)據(jù)中提取高級特征和非結構化模式的特殊能力，深度學習系統(tǒng)現(xiàn)在可以獲得良好的性能，在某些具體眼病的診斷上可以媲美或超越臨床醫(yī)生[11]。

3 AI在白內障診療中的應用

3.1 白內障的AI檢測和分級

隨著AI 系統(tǒng)在各種眼病中的應用，基于深度學習的AI算法也被開發(fā)用于白內障的自動檢測和分級。白內障的AI診斷主要基于裂隙燈照相圖像或彩色眼底照相圖像。

由于白內障傳統(tǒng)診斷主要是根據(jù)裂隙燈檢查進行，因此，以前的一些研究僅將裂隙燈照相圖像作為訓練集用于白內障的自動檢測和分級。LI H 等[18]應用了一種改進的主動形狀模型（active shape model，ASM），在5,820 張裂隙燈照相圖像上首次確定了晶狀體及晶狀體核的位置，ASM正確識別晶狀體位置的成功率為95%。在中國的一項大規(guī)模研究中，WU X 等[19]利用殘差神經(jīng)網(wǎng)絡（residual neural network，ResNet）的深度學習，建立了一個用于白內障診斷和轉診的3步序貫AI算法。在捕獲模式識別階段，首先，AI系統(tǒng)將區(qū)分裂隙燈散瞳和免散瞳照片圖像，以及光學切片和漫射裂隙燈照明圖像。其次，這些圖像再被分為正常（沒有白內障）、白內障或術后IOL。如果發(fā)現(xiàn)白內障，根據(jù)晶狀體混濁分級系統(tǒng)II量表評估白內障混濁的類型和嚴重程度，并決定是否隨訪或需要進一步治療。該AI 算法作為網(wǎng)絡平臺的一部分，在廣州市越秀區(qū)進行了試點研究，參與研究的居民能夠使用手機應用程序填報視力下降或視力模糊的癥狀，這些自我報告的病例隨后被送往社區(qū)醫(yī)療機構拍攝免散瞳裂隙燈圖像，并通過AI 算法進行處理，然后算法生成結果。與眼科醫(yī)生的最終診斷結果相比，該算法對白內障的檢測敏感性和特異性分別為92.00%和83.85%?；谶@些初步結果，研究者提出了將白內障第一步檢測從眼科醫(yī)生轉變?yōu)橐陨鐓^(qū)為基礎的醫(yī)療保健設施（AI 算法的應用），相比于現(xiàn)有的衛(wèi)生保健模式，借助AI 技術眼科醫(yī)師能夠服務的患者量大約是現(xiàn)有患者量的10倍。

3.2 基于彩色眼底照相圖像的算法開發(fā)

隨著視網(wǎng)膜成像技術在糖尿病視網(wǎng)膜病變及其他眼底病篩查中應用的日益增多，很多研究團隊也探討了彩色眼底照片在白內障自動評估體系中的應用，使得眼底照相作為一種白內障篩查工具成為可能[20]。

DONG Y 等[21]使用5,495 幅眼底圖像訓練并開發(fā)了一種AI 算法（使用傳統(tǒng)機器學習和深度學習算法的結合）。首先，用基于Caffe 軟件構建的深度學習網(wǎng)絡提取圖像特征，然后，用Softmax 函數(shù)（一種機器學習算法）進行白內障檢測和嚴重程度分級。由經(jīng)驗豐富的眼科醫(yī)生判斷，并根據(jù)眼底圖像的“可見度”分類來確定白內障的4 種嚴重程度（正常、輕度、中度和重度）。在2,355 幅圖像的內部測試中，發(fā)現(xiàn)94.07%的圖像對白內障進行了正確分類，90.82%的圖像對不同程度的白內障進行了正確分級。

PRATAP T 等[22]在AI 系統(tǒng)中應用了預訓練的卷積—遞歸神經(jīng)網(wǎng)絡（深度學習網(wǎng)絡的一種形式）和支持向量機的結合。根據(jù)眼科醫(yī)師對眼底圖像的“可見度”來表示4 類白內障嚴重程度（同上），當對400張眼底圖像進行測試時，系統(tǒng)顯示分類白內障的準確度達到了100%，分辨白內障嚴重級別的準確率達到了93%。

LI J等[23]利用北京同仁眼科中心臨床數(shù)據(jù)庫中的7,030張眼底圖像的訓練數(shù)據(jù)，開發(fā)了一個由ResNet-18 和ResNet-50 組成的基于深度學習的系統(tǒng)。采用ResNet-50 進行較為復雜的白內障嚴重程度分級，而ResNet-18 用于白內障檢測。同樣，研究者也對眼底圖像進行預處理，應用綠色濾光片將光照不均勻的程度降到最低。再通過對眼底圖像的能見度進行標記，將白內障按嚴重程度分為上述4 類，從而確定了本研究的準確數(shù)據(jù)。結果顯示，使用1,000 幅圖像的內部測試集，該系統(tǒng)在白內障檢測方面的準確率為97.2%，在嚴重程度分級方面的準確率為87.7%。

3.3 AI在IOL度數(shù)計算中的應用

目前，IOL 度數(shù)計算公式主要基于眼球生物特征測量。隨著深度學習的出現(xiàn)，AI 有可能解開這些眼部參數(shù)之間復雜的、非線性的關系，并產(chǎn)生能夠更好地適合個體差異的計算。

因此，以規(guī)范IOL 度數(shù)計算公式的選擇為重點，LADAS JG 等[4]開發(fā)了一種基于IOL 的公式：Ladas 超級公式，它是從現(xiàn)有的公式（即Hoffer Q、Holladay-1、Holladay-1 Koch、Haigis 和SRK/T 公式）各自的理想部分進行特征提取。雖然文獻中沒有詳細說明該算法的數(shù)學細節(jié)，但該算法被描述為源自每個現(xiàn)有公式中“最理想的生物特征成分”，比如眼軸長度和角膜曲率。這個公式可能使目前缺乏經(jīng)驗的白內障手術醫(yī)生面臨的IOL 度數(shù)計算公式選擇難題成為智能過程。除了優(yōu)化公式的選擇過程，AI 也用于開發(fā)IOL 度數(shù)計算算法。據(jù)報道[24]基于Haag-Streit LENSTAR 光學生物計測得的大約12,000 只眼的數(shù)據(jù)獲得的Hill-RBF 公式，可以估計個體化眼睛的IOL 度數(shù)。另一個AI 計算IOL 度數(shù)的計算公式是Kane 公式[25]，是基于使用高性能云計算創(chuàng)建而來，是傳統(tǒng)回歸模式和機器學習部分的結合，為了改進IOL 度數(shù)測量而創(chuàng)造。在該研究中，進一步評估了Hill-RBF 公式和Kane 公式的準確性。比較計算公式和實際術后屈光不正，對于短眼軸的病人（≤22.0 mm），Kane公式平均絕對誤差為0.441 D，而Hill-RBF 公式平均絕對誤差為0.440 D。對于中等眼軸長度的病人（22.0～26.0 mm），Kane 公式表明，平均絕對誤差為0.322 D，Hill-RBF 公式報道的平均絕對誤差為0.340 D。最后，對于長眼軸的病人（≥26.0 mm），Kane公式顯示了0.326 D的平均絕對誤差，而Hill-RBF公式的平均絕對誤差為0.358 D?？偟膩碚f，公式都展示出了很好的結果，但還需要進一步改善，尤其是短眼軸眼。

4 AI在白內障診療領域的展望和對策

上述大多數(shù)研究顯示了較好的前景，但是都沒有進一步對各自的算法進行外部測試或多中心研究。因此，這些算法的可推廣性還沒有證實。此外因為場景類型的不同，這些算法在社區(qū)、初級保健機構或三級眼科醫(yī)院的應用仍有待進一步評估。

AI在IOL度數(shù)測量及公式的選擇應用方面，以及非典型生物特征眼（如極短和極長眼軸）的算法有待在以后的工作中進一步調整。對于有屈光手術史的患者，使用現(xiàn)有公式對IOL 度數(shù)計算給眼科醫(yī)生帶來了更多挑戰(zhàn)。相較于歐美國家，中國接受角膜屈光手術的患者更多，加上人口老齡化的問題，預計在未來屈光手術后需要白內障手術的患者數(shù)量將不斷增加?；谶@個原因，需要新的AI 推導公式或公式選擇方法來提高角膜屈光手術患者的IOL度數(shù)測量的準確性。

隨著眼前節(jié)成像形式的增加，包括手持眼底相機、眼底照相和連接到智能手機的照相適配器等，新的AI 系統(tǒng)可以提供更好的白內障篩查服務，特別是在農(nóng)村和眼科資源匱乏的地區(qū)。而且這些成像模式越來越經(jīng)濟，易于使用，檢查者可由訓練有素的技術人員或護士擔任。此外，眼底照相在糖尿病?？坪Y查項目中已經(jīng)很普遍，用于糖尿病視網(wǎng)膜病變篩查的照片也可以用于白內障檢測，眼底照相檢查也可以作為自動化白內障篩查的評估工具。

最后，開發(fā)出基于清晰明確且有大量臨床數(shù)據(jù)支持的新算法，或改進現(xiàn)有AI 算法仍然是一個挑戰(zhàn)。為了達到這個目標，醫(yī)院的電子病歷（包括臨床數(shù)據(jù)與圖像）與云存儲的無縫連接，可能會為促進新算法的發(fā)展而提供機會。然而，在建立和維護云存儲的過程中，云平臺臨床數(shù)據(jù)用于算法研究的同時，還需要加強保護患者的數(shù)據(jù)隱私，確保嚴格的規(guī)章制度和研究數(shù)據(jù)的匿名化。

5 小結

AI 的出現(xiàn)為白內障檢測、分級、IOL 度數(shù)計算等領域帶來了新的發(fā)展機遇。白內障作為占全球致盲率首位的疾病，其診斷和個性化的治療依靠現(xiàn)有的醫(yī)患模式已不能滿足患者的需要。伴隨計算能力的提高和日益可用的白內障大數(shù)據(jù)增加，AI 在未來應用于白內障相關臨床實踐和服務是大勢所趨，除了上述幾個方面，術后屈光狀態(tài)的優(yōu)化和兒童白內障的評估也是未來的發(fā)展方向，這些都需要眼科科研人員和AI 專家的共同努力和不斷創(chuàng)新，齊心協(xié)力致力于AI 在白內障領域的推廣和應用。